前Meta高管挑戰LLM主流，推出「推理優先」AI新路徑

楊立昆支持的新創公司開發能量推理模型，聲稱用200萬參數就能超越大型語言模型。這是否代表AI發展的新方向？

200萬個參數解數獨，速度超越世界頂級大型語言模型數倍。這不是科幻小說，而是矽谷新創公司Logical Intelligence的現實成果。

1月21日，AI界傳奇人物楊立昆（Yann LeCun）正式加入Logical Intelligence董事會。這位剛離開Meta的研究巨擘，正在挑戰一個根深蒂固的信念：大型語言模型（LLM）是通往通用人工智能的唯一道路。

對「LLM信仰」的反擊

楊立昆在最近的訪談中直言，矽谷陷入了「群體迷思」，所有人都被「LLM洗腦」了。當整個科技界都在追求更大、更強的語言模型時，Logical Intelligence卻選擇了截然不同的路線。

該公司CEO伊芙·博德尼亞（Eve Bodnia）毫不客氣地批評現狀：「LLM就是一場大型猜謎遊戲。你餵給神經網路一堆網路垃圾，然後試圖教它人類如何溝通。」

她的觀點很直接：語言只是智能的表現形式，不是智能本身。「當你說話時，你的推理發生在某種抽象空間中，然後解碼成語言。人們卻試圖通過模仿語言來逆向工程智能。」

Logical Intelligence開發的Kona 1.0採用「能量推理模型」（EBM）架構。與LLM預測「下一個最可能的詞」不同，EBM吸收一組參數規則，在約束條件內完成任務。

博德尼亞用登山比喻解釋兩者差異：「LLM登山者看不到完整地圖，只能朝一個方向前進。遇到懸崖就會跳下去摔死。」相比之下，EBM能夠「多方向觀察，選擇路線，遇到障礙就換路」。

這種方法的優勢顯而易見：Kona 1.0僅用一台NVIDIA H100 GPU就能運行，參數量不到2億個，卻能在數獨等邏輯任務上大幅超越大型語言模型。

Logical Intelligence瞄準的並非語言處理，而是需要零錯誤率的關鍵領域：

能源管理：即時處理多變量，根據需求自動分配電力。目前的系統會浪費大量未使用的能源，EBM有望實現精準配送。

製藥研究：藥物發現、癌症研究等需要複雜數據處理的領域。該公司已與大型晶片製造商和數據中心業者展開談判。

製造自動化：在容錯率極低的精密製造環境中，EBM的自我修正能力可能帶來革命性改變。

對於亞洲科技產業而言，這項技術發展值得密切關注。台灣的半導體產業、中國大陸的製造業，都可能從這種「推理優先」的AI架構中受益。

特別是在中美科技競爭的背景下，不依賴巨量數據和計算資源的EBM模式，可能為資源相對有限的地區提供「彎道超車」的機會。

Logical Intelligence與楊立昆的AMI Labs將密切合作，構建多層次的AI生態系統：LLM負責人機自然語言交互，EBM處理推理任務，世界模型幫助機器人在3D空間中行動。

博德尼亞強調，他們追求的不是「一個大腦統治一切」，而是為每個具體業務場景訓練專門的小型模型。這種「專業化」思路與當前「通用化」趨勢形成鮮明對比。

值得注意的是，該公司選擇不開源其模型。博德尼亞解釋：「這是邁向AGI的真正一步。我想在把它放到世界上之前，確保充分理解它的安全性、可能性和邊界。我想做一個負責任的父母。」